耕地“非粮化”空间格局分异及影响因素研究
——基于中国省际面板数据分析

李昕遥

(四川大学公共管理学院 四川,成都 610000)

引言

2003年以来我国粮食总产量一直处于稳步上升水平,但我国部分地区耕地“非粮化”现象仍十分严重,2016—2019年我国粮食播种面积共下降3.17×106 hm2。2020 年 11 月国务院办公厅正式发布《关于防止耕地“非粮化”稳定粮食生产的意见》,指出要充分认识防止耕地“非粮化”的紧迫性,不能单纯以经济效益决定耕地用途,须将耕地资源优先用于粮食生产。早些年国家放松农业生产结构管制在一定程度上助长了耕地“非粮化”现象,必须严格把控耕地利用方式,明确耕地利用优先序,防止耕地“非粮化”。

目前,耕地“非粮化”研究大致可分为三个尺度:一是从宏观层面考察全国或主要粮食生产功能区等区域的耕地“非粮化”程度;二是从中观尺度出发研究具体地级市的耕地“非粮化”倾向及变动规律;三是从微观角度,研究某县、镇、村的耕地“非粮化”现状,相比宏观和中观尺度来说,微观尺度的研究更为丰富,但微观尺度中的大部分文献集中对耕地非粮化现状及其存在原因进行定性剖析。相比之下,宏观与中观尺度中学者们倾向于借助调研或统计数定量测算“非粮化”率,使得分析结果更具说服性,如何蒲明等[1],冯远香等[2]分别利用“粮作比”“非粮食播种面积占农作物播种面积比例”来衡量“非粮化”率。

从研究内容来看,非粮化现象驱动因子是众多研究内容之一,这些因素大致可分为三类:一类是经营主体自身的因素,如职业变换、性别、年龄[3-5]等因素;一类是资源禀赋因素,包括地形地貌、耕地质量、地理区位[6,7]等;另外一类也是造成耕地“非粮化”现象的关键因素,即社会经济因素,大量研究从种粮比较收益、土地流转、种粮补贴政策[8-11]等多个角度来对其进行探讨。在研究方法上,纵使近年来定量研究耕地“非粮化”的文献逐渐增多,大部分文献所运用的都是传统的计量模型,包括借助 Tobit 模型、Probit模型、二元及多元 logit 模型等对耕地“非粮化”的驱动因子进行探究。随着“空间”概念的不断深入,地理与空间分析方法在耕地“非粮化”问题上的运用也逐渐显现,如SU[12]等利用遥感影像提取江苏省徐州市铜山区耕地利用信息,并对其“非粮化”类型进行划分,在此基础上刻画研究区域“非粮化”空间布局,进而分析不同类型“非粮化”主导因素。

可以看到,关于耕地“非粮化”的问题,众多学者已经展开了大量的理论探讨和实证分析,并且取得了颇为丰富的研究成果。但耕地“非粮化”是一个涉及众多主体、众多环节的复杂行为,在不同的时代背景下,所出现的问题也不同,尤其是在“空间”概念不断被强化的背景下,如何把握耕地“非粮化”时空演变规律并找出其影响因素仍是我们防止“非粮化”、解决粮食安全问题的重要任务。

1 研究方法与数据来源

1.1 研究方法及模型构建

1.1.1 空间自相关

Tobler曾指出“地理学第一定律:任何东西与别的东西之间都是相关的,但近处的东西比远处的东西相关性更强”。通常用全域莫兰指数Global Moran’s Ⅰ反映某特定区域与其邻接区域的关联程度, 但全域莫兰指数Global Moran’s 仅反映空间要素整体是否具有聚集性,无法体现局部区域集聚性的分布特征。为此,引入局部莫兰指数Local Moran′s I指数探索局部区域耕地“非粮化”的集聚特征。计算公式如下:

(1)

(2)

1.1.2 面板分位数回归

1978 年 Roger Koenker 和 Gilbert Bassett最早提出分位数回归的方法,可以很好地解决随机误差项不一定服从正态分布条件的问题。本文将采用面板分位数回归的方法,以耕地“非粮率”作为被解释变量,设置三个分位点(0.25,0.5,0.75)将我国31个省、直辖市、自治区分为低、中、高三个“非粮化”水平,分区探究十四个解释变量对于非粮化率的影响,根据测算结果对不同发展阶段的区域提出适合该区域的发展政策。为了在一定程度上消除异方差,对变量进行去对数以便于后续的参数估计和假设检验,因此最终构建的分位数回归模型为:

Qτlnyi=β0(τ)+β1(τ)lnxi1+ … +βp(τ) lnxip

(3)

i= 1,…,n

式(3)中Qτ(yi)为被解释变量y在τ分位点的值;xi1,xi2,…,xip为自变量;β0为常数,β1,β2,…,βn为τ分位点的回归系数。

1.2 数据来源与处理

1.2.1 变量选择

在以往的研究中对“非粮化”内涵的界定和对其水平的测度都是较为含糊,一直以来没有一个确切的测度标准。大部分学者使用“非粮食播种面积占农作物播种面积比例”“粮作比”等指标来描述“非粮化水平”。耕地“非粮化”过程除了内部种植结构变化外,还存在农业内部生产结构的变化,即耕地类型变更为园地、林地等利用类型,但本文主要基于粮食生产角度探讨粮食作物与经济作物的结构平衡,因此从种植结构的变化来衡量耕地“非粮化”水平。考虑到经济作物种植存在耕地、设施农用地和园地等多种交叉来源,而粮食种植主要集中在耕地上,因此,本文使用农作物播种面积与粮食播种面积之差占总农作物播种面积的比例来衡量非粮化率,具体计算公式如下:

本文在参考已有研究的基础上,依据研究主题与分析框架并结合全国数据的可获取性与代表性,从经济社会、生产与政策调控三个方面选取了14个具有代表性的自变量,构建耕地“非粮化”水平影响因素指标体系表(表1)。

表1 耕地“非粮化”水平影响因素指标体系

1.2.2 数据来源

本文涉及中国31个省级单元(不含港、澳、台地区)2010—2021年相关数据,其中农村劳动力人数、劳动力性别比例、城镇化水平、人均GDP、城乡居民可支配收入比等数据来源于《中国统计年鉴(2011—2022年)》及各省统计年鉴,耕地面积、耕地灌溉面积、粮食单位面积产量、农业机械总动力、农用化肥施用量来源于《中国农业年鉴(2011—2020年)》各省统计年鉴,农民专业合作社数、企业牵头的合作社数来源于《中国农村经营管理统计年报(2010—2021年)》,其中部分数据是由统计数据按照一定比例换算得出,耕地面积相关数据利用各省国土变更调查数据进行修正。

2 结果分析

2.1 中国耕地非粮化时空特征与发展趋势

2010年我国非粮化率超过50%的仅有新疆和上海,其余具有较高非粮化率的地区集中在东南沿海、湖北、湖南、青海以及海南等8个省份。新疆非粮化率达57.4%,主要是由于其特殊的光热条件适于种植棉花以及瓜果蔬菜等经济作物,因而挤占了粮食种植面积,东南沿海一带较高的非粮化率主要归结于其领先的经济水平所伴随的农业高水平产业化发展,在农业方面其更倾向于种植相对利润更高的经济作物,形成特色农业,因而挤占粮食生产空间。

2021年,非粮化率超过50%的单元除新疆和上海外,还增加了浙江、广东、广西、海南四个省份,可以看到这些地区因特殊的光热条件或地理区位优势,其粮食种植率非增反减,倾向于增加经济作物的种植以获取更好的经济水平发展。相比之下,贵州、云南两省份在2021年的非粮化率也有所增加,这归结于其丘陵、山地地形不适宜于大规模种植粮食作物。但值得庆幸的是黑龙江、吉林、辽宁、安徽等多个粮食主产区省份一直保持较高的粮食种植比例,非粮化率均低于20%,这与其分别地处东北平原、华北平原以及长江中下游平原的资源禀赋优势息息相关。

2.2 中国耕地非粮化的空间分异特征

运用GeoDa软件,以非粮化率作为观测变量,对中国31个省级单元耕地非粮化率进行空间自相关分析,主要是采用Global Moran’s I和Local Moran’s I判定全国耕地非粮化的总体空间特征及局部分布特征。由结果可知(如图1),GMI = 0.341>0,且进行999次随机化测试,通过了显著性水平P≤0.001的检验,表明省级单元非粮化率存在显著的空间集聚性。

其中,多数单元分布在一三象限,少数分布在二四象限,不同象限内单元分布存在显著差异。具体空间集聚特征可以从Local Moran’s I来进行进一步描述。如图2,一共形成了非粮化率高—高,低—低,高—低,低—高四个集聚区。①高—高集聚区,主要集中在贵州、湖南、广西、广东、海南省及其周围,这些单元非粮化率高且同时被同样非粮化率较高的省份包围,这主要由于以上几个省份均处于我国中南部,地处亚热带季风气候及热带季风气候,其特殊的光热条件及丘陵山区的地形条件不适宜于大规模种植粮食作物,更加满足瓜果蔬菜等经济作物生长条件。②低—低集聚区,主要分布在东北三省及中原地区,共涉及8个省级单元,这些单元自身有着较低的非粮化率,同时与其邻近地区的非粮化率同样较低,彼此差异较小,这主要是由于这些地区地处东北平原及华北平原,耕地数量多且地势平坦,有着适宜于机械化耕种粮食的先天条件,也是我国主要粮食主产区,因此形成较为广阔的低—低集聚区。③低—高集聚区,主要体现在西藏自治区自身由于耕地面积较少且非粮化率低,但其邻近单元新疆、青海、云南等地区非粮化率较高。④高—低集聚区,主要体现在北京市作为单独的直辖市地区,其自身耕地数量少且非粮化率较高,特殊的区位条件使其与邻近单元非粮化率呈显著差异,因此形成高—低集聚区。

图1 中国31个省级单元耕地非粮化率Global Moran’I散点图和随机化图

图2 中国31个省单元耕地非粮化率空间集聚图注:该图制作底图来源于自然资源部标准地图服务网站下载的审图号为 GS(2019)1822 号的标准地图,底图无修改。

2.3 中国耕地非粮化影响因素分析

2.3.1 面板单位根检验

由于本文使用的是31个省(不包含港、澳、台地区)2010—2021年的面板数据进行分位数回归,为了避免出现伪回归,需要先对面板数据进行单位根检验。为了确保估计结果的有效性,本文使用三种单位根检验方法:ADF检验、PP检验以及LLC检验,所有变量需均通过这三种检验才可被认定为平稳。本文使用Stata对所有变量进行单位根检验,LLC 检验结果显示所有变量均在零阶平稳,但ADF及PP检验均显示所有变量零阶不平稳,说明原序列存在单位根,进而对变量进行一阶差分,差分序列在1%的显著性水平上拒绝原假设,差分序列平稳。

2.3.2 协整检验

在单位根检验通过后还需对所有变量进行协整检验以判断变量间是否存在长期均衡关系。本文同样采用三种检验方法,分别是Kao 检验、Pedroni检验和Westerlund检验进行面板协整检验。检验结果如表2所示,所有协整检验结果均在1%的显著性水平上拒绝原假设,因此可以证明耕地非粮化率与各解释变量之间存在协整关系,进而可以对原序列进行回归模拟。

表2 面板协整检验结果

2.3.3 模型选择

由于本文选择的是面板数据,在对其进行回归分析时需进行模型的选择,使回归结果更为可靠。本文首先运用F检验判断本文模型选择固定效应模型还是混合效应模型,结果表明F检验P值为0.0000,强烈拒绝原假设,选择固定效应模型,进而运用Hausman检验方法判断本研究运用固定效应模型还是随机效应模型。Hausman检验结果P值为0.0000,同样强烈拒绝“随机效应是最有效率”的原假设。因此,本文选择使用固定效应模型。

2.3.4 固定效应面板分位数回归结果分析

本文选择 0.25、0.5、0.75 三个分位点进行分位数回归,为了比较固定效应面板分位数回归与普通均值回归(OLS)的误差,同时也对所有变量进行了OLS回归统计,结果如表3。根据回归结果可以看到,普通最小二乘回归的回归系数与各分位点上的回归系数存在的差异较大,各回归系数的显著性水平也是参差不齐,结果较为复杂。具体可以从每一个变量的回归系数来进行解释。

表3 分位数回归和OLS 回归结果

首先,从经济社会条件层面来看,农村劳动力人数、城镇化水平以及人均GDP三个因素对耕地非粮化水平呈显著正向影响。从各分位点来看,农村劳动力人数在低分位点对非粮化水平的影响最大,随着分位点的上升其对非粮化率的影响逐渐减小,因此,在东北三省以及一些粮食主产区等非粮化率较低的地区,应做好劳动力转移,提高城镇化率等工作,以避免农村劳动力过多对非粮化率产生促进效应,值得注意的是在OLS回归中,农村劳动力人数的OLS回归系数显著小于固定效应面板回归系数,大大低估了其对“非粮化”率的影响;城镇化率与人均GDP随着分位点的上升对非粮化率的影响程度逐渐增大,也就是说在一些非粮化率较高的地方,例如浙江、上海、海南等省市,由于其经济发展水平较高,农民更不愿意选择种植粮食作物。除此之外,劳动力性别比例、城乡居民可支配收入比和粮食价格指数对非粮化率的影响并不显著,也就是说以女性生产为主的家庭不一定会减少粮食种植比例,而粮食价格由于长期以来波幅较小,已不是影响农户选择种植对象的主要因素。

从生产条件层面来看,耕地面积在三个分位点都通过了0.01的显著性水平检验,耕地面积会对非粮化水平造成显著的负向影响,耕地面积越大,农户会更倾向于种植粮食,因为相比于经济作物,大规模种植粮食作物的风险更低,且在一定的种粮补贴激励下,农户选择耕种粮食的可能性更高,可以看到在低分位点,耕地面积对非粮化率的影响程度更大,因此,对于像江西、河南、陕西、山东这些非粮化率处于中低水平的省份,可以通过促进土地流转扩大经营面积来控制非粮化率,以保证粮食生产;农村劳动力人均耕地面积会对非粮化产生负向影响,但结果并不显著;耕地灌溉面积在三个分位点都对非粮化率产生显著的负向影响,对于需要具备充分水利设施保障的粮食种植来说,耕地灌溉条件越差,农户种粮意愿就越低,而这样的负向影响对于低、中、高三种非粮化水平地区的影响差异不大;粮食单位面积产量对非粮化率的回归系数为正,但不显著,说明农户在选择是否种植粮食时,并不主要取决于其单位面积下粮食产量是多少;农业机械总动力在三个分位点都通过了显著性检验,且差异不大,说明农业机械总动力的确会对非粮化率产生正向影响,为保证成本的收回,经营主体倾向于种植大宗经济作物,以提高生产效益,因此趋于“非粮化”,且随着分位点的上升,机械化水平对非粮化率形成的影响程度逐渐加深,这意味着在非粮化水平较高的地区,例如新疆、海南、广西、广东等省份,其农业机械化水平也较高,而这些省份往往也是由于特殊的光热条件,其特色经济作物发展较好的省份;农用化肥施用量对非粮化种植的影响同样不显著。值得注意的是,从OLS回归对比来看,耕地灌溉面积变量和农业机械总动力变量的回归结果与分位数回归结果形成的系数方向相反,而从现实情况来看,分位数回归结果更符合实际情况且与研究假设一致,因此直接运用OLS回归进行模拟分析往往会形成较大误差。

从政策调控层面看,农民专业合作社数对非粮化率形成了显著的负向影响,也就是说一个地区农民专业合作社数越多,其非粮食种植比例会越低,且随着分位点的上升,这种负向影响的程度越大,也就是说在非粮化率处于中高水平的区域,例如湖北、湖南、贵州以及两广地区,可以通过增加农民专业合作社数来进一步促进粮食生产;由企业牵头的合作社数对非粮化率形成了显著正向影响,也就是说由企业牵头的合作数越多,该区域非粮食种植比例越大,而这样的现象主要归结于随着工商资本的下乡,大规模流转土地造成经营成本的上升,在利益驱使下企业往往选择种植利润更高的经济作物,而这样的正向影响在低分位点更为明显,也就是说在一些非粮率较低的省份,例如安徽、山西、四川等省份,由企业牵头的合作社更容易倾向于种植大宗经济作物。

3 结论与启示

3.1 结论

本文利用2011—2022年31个省(不包含港、澳、台地区)相关统计数据以及部分空间矢量数据作为样本,从省级层面对中国耕地“非粮化”空间格局特征进行描述分析,并对31个省级单元进行空间自相关统计分析,最后选取14个影响因子分别代表经济社会条件、生产条件、政策调控三个维度,利用固定效应面板分位数回归探索中国耕地“非粮化”的驱动因素,结论如下:

(1)2010—2021年全国耕地非粮化率波动幅度不大,最低出现在2016年,仅有28.5%,近年来维持在30%左右。总体来说,我国除新疆、海南等地因特殊的光热条件有其适宜的瓜果蔬菜等经济作物种植外,东北平原、华北平原充分发挥其资源禀赋优势大规模种植粮食,其他省份也在平衡好油菜、甜菜、茶叶等经济作物供应的同时尽力保证粮食生产,充分体现我国“把饭碗牢牢端在自己手里”的决心以及防止耕地“非粮化”,稳定粮食生产的实际行动。

(2)从空间分异特征来看,2021年我国耕地非粮化存在一定的空间集聚性,东北区域因其地势平坦,相邻省份非粮化率均较低;中南地区因地处亚热带季风气候及热带季风气候且地形多为丘陵山地,相比耕种粮食,水果、蔬菜等经济作物更适应生长,因此非粮化率均较高。一些特殊地区,如西藏、北京,因其自身耕地面积少且区位特殊,与周围邻近省份在非粮化率上形成显著差异,因此分别形成低—高、高—低两片集聚区域。

(3)农村劳动力人数、城镇化水平、人均GDP、耕地面积、耕地灌溉面积、农业机械总动力、农民专业合作社数以及企业牵头的合作社数这8个变量对非粮化率形成显著影响。对非粮化率处于中低水平的省份(如黑龙江、吉林、山西等),农村劳动力人数、耕地面积、耕地灌溉面积、企业牵头的合作社数这4个变量对其影响程度更深;对非粮化率处于中高水平的省份(如贵州、福建、广东等),城镇化水平、人均GDP、农业机械动力、农民专业合作社数这4个变量对其影响程度更大。

3.2 启示

(1)从研究结果来看,应对一些粮食主产区,如湖北、湖南两省中一些“非粮化”行为进行严格管控,其粮食产出是保障人民生活的物质基础,也是稳定经济社会健康运行的物质保障。当然,也要科学设定非粮化底线,一些非粮化存在具有合理性,不能简单一刀切,必须考虑未来粮食需求、自然条件、生态保护和乡村振兴等多重需求。

(2)充分发挥特定区域资源禀赋优势,如地处东北平原的东北三省以及华北平原的河北、山东、陕西、河南等地,其地势平坦,耕地资源丰富,应加强对其耕地保护,通过进一步完善耕地灌溉设施,加快土地流转扩大经营面积的同时防止工商资本改变耕地用途,以保障并扩大粮食生产。

(3)在一些非粮化率较高的区域,如东南沿海及两广地区,往往其城镇化率及经济发展水平较高,为保障全国粮食安全,这些区域应做好经济发展与农业发展需求的平衡,尤其是平衡好经济作物与粮食作物的种植比例,进一步优化农业内部生产结构,同时政府可以通过引导农民成立专业合作社,以为农户耕种粮食提供更为专业的社会化服务,以此增强农户种粮意愿。